ナレッジセンター
目次

威海:AI 外観検査システム

AI 外観検査システムは、威海の半導体産業が人手による抜き取り検査から全数の知能検査へ移行するための中核的なインフラになりつつあります。山東半島の重要な電子情報集積地である威海には、集積回路のパッケージングとテスト、パワーデバイス、センサーといった半導体サブセクターの製造基盤がありますが、マイクロン級の欠陥、コントラストの低い刻印、反射の強いウェーハ表面は、従来の目視による人手の確認では、歩留まりとタクトの要求を満たしながら確実に検査することが困難です。以下では、威海の半導体産業で AI 外観検査を導入する論理を、概念、機能、場面、選定、動向の順に述べます。

一、AI 外観検査システムの基本概念と定義

AI 外観検査システムは、マシンビジョンをセンシングの手段、深層学習のアルゴリズムを判断の中核として、工業製品の表面欠陥、寸法のずれ、文字の刻印、組立の完全性を自動で判定・分類するハードとソフトの一体システムです。従来のルールベースの画像処理とは異なります。ルールベースは技術者がしきい値と特徴のルールを手作業で書き、変更への追随が遅く外乱に弱いのに対し、AI 検査はモデルが欠陥の特徴を自ら学習するため、傷、汚れ、欠け、はんだの未濡れ、異物といった不規則な欠陥の認識に明確に優れています。

半導体では、AI 検査システムは通常、ウェーハ表面、パッケージ本体、ピン、キャリアテープ、基板レベルの PCB 実装を対象とします。完全なシステムは、光学撮像ユニット、光源制御、フレームグラバー、推論サーバー、欠陥判定ソフトウェア、MES や ERP とのデータインターフェースで構成されます。威海の多くの中堅・中小の半導体・電子機器メーカーにとって、既存の生産管理システムと接続できるかどうかが、アルゴリズムそのもの以上に導入の成否を左右することがあります。製造実行と作業標準化の長年の蓄積は、検査ステーションと生産ラインのデータをつなぐ場面で、関連ソリューションに自然な適合性をもたらします。

二、主な機能モジュールと技術ポイント

1. 画像の取得と光学設計。半導体の欠陥はしばしばマイクロン規模であるため、高解像度の産業用カメラ、テレセントリックレンズ、プログラム可能な光源が必要です。材料によって明視野、暗視野、同軸照明を使い分け、欠陥のコントラストを安定させます。

2. 欠陥の検出と分類のモデル。CNN、YOLO 系、セグメンテーションネットワークがよく使われます。システムは欠陥の位置、カテゴリ、信頼度を出力し、追加学習に対応して、ラインの技術者が新しいサンプルでモデルを改善し続けられるようにします。切り替えのたびにモデルを作り直す必要はありません。

イラスト

3. レビューと等級判定の戦略。AI が一次判定した後、システムは欠陥の重大度で自動的に等級を付けます。致命的な欠陥は直接排除し、軽微な欠陥はレビュー待ちに入れて、過剰な廃棄を避けます。

4. データのトレーサビリティと SPC 分析。すべての画像と判定結果をロット、設備、時刻に紐づけてトレーサブルな記録とし、欠陥率の推移やパレート図を出力して工程改善を支援します。

5. ライン連携と作業案内。検査結果を MES に返してライン停止、アラーム、手直し指示を起動できます。手作業のレビューステーションでは標準作業手順を呼び出せ、ここで電子作業案内の機能が検査データと閉ループを作り、作業者が統一した基準で判断し処理できるようにします。

三、半導体における典型的な適用シーン

威海のパワーデバイスのパッケージ工場の例を見てみましょう。主に TO と SOP のパッケージを生産しています。以前は 2 交代で 20 名の外観検査員が、1 日約 3 万個を抜き取り検査し、見逃し率も変動していました。AI 検査システムを導入した後は、トリム・フォームの後にビジョンステーションを追加し、すべての製品のピンの共平面性、モールドのボイド、刻印の欠落、ピンの酸化を検査します。システムは毎分約 1,200 個を処理し、欠陥画像を自動で保存し、レビューステーションは AI が指摘したものだけを扱います。レビューの基準も統一したい場合は、レビュー端末で電子 SOP を呼び出し、許容される軽微な傷の判断を交代勤務でも同じ基準で行えます。

威海の半導体キャリアテープメーカーの例もあります。テープのポケット内の異物と穴のバリを検出する必要があります。バックライトとラインスキャンカメラを使い、AI 検査システムが高速の巻取り中に欠陥位置をリアルタイムにマーキングして自動でラベルを貼るため、不良部分はスリット工程で直接排除されます。こうした場面ではアルゴリズムのリアルタイム性と安定性が強く求められ、計算コストはエッジ推論サーバーで抑えられます。

四、選定と導入の提案

イラスト

1. まず欠陥と合格基準を定義すること。アルゴリズムから始めず、品質部門と工程部門とともに欠陥のカテゴリ、許容限界、抜き取りのルールを先に書き出します。そうでなければモデルを評価できません。

2. 小サンプルのコールドスタート能力を評価すること。半導体の欠陥サンプルは本来的に少ないため、ベンダーは学習済みモデル、データ拡張、少数サンプル学習の手法を提供し、立ち上げ期間を短縮すべきです。

3. 切り替えの効率に注意すること。威海の半導体企業は多品種少量生産が多く、システムはレシピ管理に対応し、切り替え時に製品のレシピと光源パラメータを切り替えるだけで、再学習が不要であるべきです。

4. ライン連携の能力を確認すること。既存の MES、SPC、電子標準作業手順(ESOP)と連携できるかが、検査データが実際に製造のループに入るかどうかを決めます。ZEVON ESOP が作業標準化と製造データの協働で提供するソリューションは、検査後の手作業レビューと異常処理をつなぐ際の参考になります。

5. 説明性と保守性を求めること。ラインの技術者がモデルの注目領域を確認し、しきい値を調整し、誤判定のサンプルにラベルを付けられるべきで、ベンダーの遠隔保守に完全に依存すべきではありません。

6. 小さく検証すること。1 本のライン、1 つのステーションで実証を行い、少なくとも 2 週間の実生産データで見逃し率、過剰排除率、タクトを検証してから横展開の範囲を決めます。15 を超える業界、120 社以上のお客様での業界経験が参考になり、3,200 以上の端末からのフィードバックは、検査システムと製造実行システムの統合の深さが投資回収に直接影響することを示しています。

五、今後の展望

半導体における AI 外観検査は、孤立した検出から全工程の品質ループへ移行しています。第一に、マルチモーダルの融合が方向として進み、可視光、赤外、X 線、超音波のデータを合わせて判断し、内部のボイドと外観の欠陥の両方をカバーします。第二に、エッジ AI とクラウドの協調で、ライン上でリアルタイムに推論し、クラウドでモデルを学習して工場間の知識を蓄積します。第三に、生成 AI が欠陥サンプルの合成や検査報告書の自動生成に使われ始め、欠陥サンプルの不足を緩和します。第四に、検査、ESOP、MES の境界がさらに曖昧になり、検査結果が作業指示の切り替えや工程パラメータの調整を直接動かし、検出、判断、処理、改善のループを形成します。威海の半導体産業にとって、AI 外観検査を既存の製造管理システムと早くつないだ企業ほど、歩留まり競争と顧客監査で主導権を得やすくなります。

分野: スマート工場百科